《表4 多种算法结果对比：基于改进faster RCNN的木材运输车辆检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进faster RCNN的木材运输车辆检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对目前深度学习主流目标检测算法，包括RetinaNet、YOLO系列、RCNN系列算法等在车型检测上已有大量的应用，但这些应用中尚未出现对木材车的检测研究，为了进一步验证本文模型的性能，以本文数据集为基础，我们在RetinaNet[20]、YOLO9000[21]上也训练了对应的车辆检测模型并对比木材车AP和模型mAP。RetinaNet由于提出了focal loss使得一部检测法中易分样本在总损失中占比过大的问题得到有效解决，加强了模型对难分样本的学习能力。YOLO9000是由YOLOv1进一步改进后的算法，由于加入了多种改进措施，其在大型数据集上的速度和精度都有一定提升。实验结果以AP和mAP的评价方式进行评价，实验结果见表4。